基于边缘计算的教学监控视频分发

1 引言

随着全球网络数据的激增，视频已成为网络流量的主要载体。多媒体正成为互联网中的“杀手级”应用。思科网络预测指数显示，2017年全球数据流量中有75%是视频内容，预计到2022年这一数字将达到82%。此外，随着视频数据量的激增，多媒体视频内容呈现出以下三大趋势：高质量、实时交互和视频服务移动性。网络多媒体，尤其是网络视频，不仅在数据流量上呈现爆发式增长，同时也带来了内容分发的新挑战。

由于视频分发需求的爆炸式增长，当前核心网络和分发网络的升级速度难以支撑巨大的需求增长。同时，用户对多媒体视频服务质量的期望持续提高，即要求高比特率和低延迟的网络内容分发。目前骨干网络过载和网络拥塞现象频发。一种潜在的内容分发解决方案是利用边缘侧设备的网络、计算和存储能力。

边缘计算是指利用靠近请求源一侧的网络、计算和存储能力，提供最近端的服务。在边缘计算中，用户请求在边缘侧发起并执行服务，因此边缘计算能够带来更快的网络服务响应并节省带宽。边缘计算减轻了视频内容对骨干网络的传输压力，并为用户提供更好的交互体验。边缘计算成为一种新的内容分发方案。

在5G中，移动边缘计算（MEC）已成为一项重要的使能技术，通信中具备计算和存储能力的边缘设备为车联网、工业互联网和虚拟现实/增强现实等应用提供了超低延迟和可靠服务。另一方面，具备计算存储能力的WiFi热点和专用边缘存储设备为边缘计算提供了基础设施，使得内容分发成为可能。与以往的内容分发方式相比，边缘侧的内容分发更接近用户，可大幅降低核心网络的传输开销和用户延迟。通过利用边缘节点的存储空间，内容可以缓存在本地边缘节点并在边缘节点进行分发。此外，视频转码和分布式智能决策等耗时的服务也可以在边缘节点上进行计算。本文利用边缘计算解决教学监控视频的内容分发问题。

2 基于边缘计算的教学监控视频分发

2.1 架构通过缓冲边缘节点进行教学监控视频分发的架构

边缘计算设备可以利用其存储能力来缓存视频内容。通过边缘计算进行视频分发具有以下优点：第一，节省核心网络带宽；第二，降低用户访问视频内容的延迟。多媒体视频内容需要高带宽，例如实时互动直播和超高清视频。缓冲边缘节点能够满足带宽需求。

边缘计算架构强调，具有存储、计算和网络资源的边缘服务节点密集且广泛地分布在靠近终端用户的位置。边缘服务节点为邻近用户提供服务，以节省骨干网络带宽、降低服务延迟，并提供更优的服务质量。基于边缘计算的视频分发架构主要包括用于“最后一公里”的边缘分发网络，以及用于“第一公里”的内容采集网络。该架构如图1所示。

在“第一公里”的内容采集网络中，视频传输包括两个步骤：视频上传和视频分发。在视频上传过程中，由视频主播生成的视频流被上传至服务器，这一过程被称为网络传输的“第一公里”。在视频分发过程中，视频流从服务器传输到直播间内的观众。如今的移动直播服务通常采用传统的内容分发网络方案来解决视频分发问题，但这些方案很少关注提升视频上传质量的问题。

在面向“最后一公里”的边缘内容分发网络中，最后一跳的质量通常决定了用户体验。边缘分发网络的“最后一公里”利用边缘节点的缓存能力，将内容部署到靠近用户的节点进行缓存和分发，从而使用户能够从邻近节点获取内容，获得更好的体验。边缘内容分发需要研究边缘节点的内容复制和缓存替换策略。内容复制策略主要解决边缘节点中缓存哪些内容，以及在缓存内容时如何在边缘节点中部署这些内容的问题。

对于大量分散的边缘节点，内容缓存复制策略需要在用户体验和系统开销之间取得平衡。为了实现低延迟和高带宽的整体用户体验，有必要将尽可能多的内容从服务器复制到边缘节点，以确保大多数用户请求可由边缘节点提供服务。然而，将内容从服务器复制到边缘节点会导致流量开销和过于细粒度的调度。

本文提出了一种基于区域划分的边缘节点缓存策略。该策略包含三个主要模块：边缘资源按需部署、全局资源调度和内容协同复制。

在边缘资源按需部署中，通过考虑部署成本和用户体验，将边缘节点部署形式化为一个设施选址问题（FLP）。因此，我们需要最小化总节点部署和用户请求分配。基于边缘节点缓存的内容分发架构如图2所示。

在区域划分调度算法中，将同一区域内的边缘节点视为一个整体进行内容复制，以消除冗余传输，实现对部署的边缘节点的组织与管理。采用类Voronoi区域分割算法来解决用户体验与复制成本的联合优化问题。通过在相邻区域中基于区域用户请求预测，并结合服务器带宽状态和内容流行度相似性，采用主动内容复制策略，内容间协作将核心网峰值开销降低了38%，同时提升了40%的用户体验。

2.2 基于长短期记忆网络的缓存更新策略

对于边缘缓存复制，已经提出了许多方法。例如，马等人在真实数据集上进行了数据测量，以证明边缘缓存的有效性，并基于测量结果设计了一种缓存策略。

勒孔特等人研究了小区域缓存中的挑战，实时估计内容流行度并从小规模样本中推断热门内容，设计了一种基于生命周期的阈值策略来评估动态内容的流行度。刘等人利用契约理论优化了缓存服务中服务提供商、内容提供商和用户的收益。李等人提出了一种在小型基站之间有效的协作缓存机制。对于边缘缓存替换，当前实际系统中部署的缓存算法包括先进先出、最不常用、最近最少使用及其变体。为了克服这些算法的缺点，艾因齐格等人提出了一种根据缓存中内容的实时流行度来确定更新内容的策略。然而，他们未考虑内容流行度的变化趋势。李等人借助在线学习提出了一种动态流行度驱动的缓存替换策略，预测每个请求内容的流行度，并根据预测结果替换本地缓存中最不受欢迎的内容。

基于人工特征提取的缓存更新策略和基于缓存的替换策略都依赖人工干预，或难以应对变化的内容访问模式。为了克服人工方法的弱点，本文提出了一种基于深度长短期记忆网络模型的缓存更新策略。LSTM模型能够从内容请求序列中自动学习缓存更新策略，无需人为干预和数据预处理。基于LSTM网络的缓存更新架构如图3所示。

缓存更新系统如图4所示。Deep-cache是一种基于深度神经网络的缓存替换策略。它能够从请求序列中实时自动学习缓存策略，而无需使用任何数据预处理或特征工程。实验表明，Deep-cache可将缓存命中率提高20%至30%。

3 实验结果与分析

在本节中，我们将尝试通过我们的框架解决教学监控视频分发问题。首先，我们构建一个模拟系统，用于比较直接从云中心访问教学监控视频的情况。然后，我们比较采用不同缓存更新策略时，使用边缘计算与缓存的性能。

我们从闭路电视（CCTV）中心收集了8000个教学监控视频，每个视频持续15分钟。过去25小时内的访问次数被用作视频的流行度。未来的流行度通过长短期记忆网络（LSTM）模型进行预测，该模型基于历史记录进行学习。

实验结果在表1中以带宽消耗和用户体验统计的形式报告。

表1 教学监控视频观看的实验结果对比

方法	带宽消耗（%）	CDF
云中心	37.43	0.63
边缘计算 + FIFO	21.64	0.41
边缘计算 + LFU	21.37	0.39
边缘计算 + LRU	21.51	0.38
边缘计算 + LSTM	19.28	0.31

从表1可以看出，LSTM仅消耗19.28%的带宽，且由网络故障引起的累积分布函数为0.31，这两项指标均低于云中心、FIFO、LFU和LRU的相关指标。通过采用边缘计算技术并将LSTM作为缓存更新策略，带宽和用户体验均得到改善。

4 结论

网络故障对带宽和用户体验的影响是教学监控视频分发中的两个关键问题。在复杂应用环境中，用户行为和系统资源的不确定性已成为网络视频服务面临的主要挑战。解决此问题的一种方法是将计算、存储和网络资源部署在网络边缘，以确保视频内容的分发，并为网络视频服务提供更低延迟和更低带宽需求的支持。本文提出了一种基于边缘计算的框架，并采用LSTM网络作为教学监控视频内容分发的缓存更新策略。该LSTM网络是一个离线模型，无法根据视频请求进行更新。在未来工作中，我们计划使用在线模型作为缓存更新算法来替代LSTM网络。